跨載體轉導與重建錯配
從表示幾何、語義可辨識性到安全結果的多層保真理論
英文題名： Cross-Carrier Transduction and Reconstruction Mismatch: A Multi-Layer Fidelity Theory from Representational Geometry to Semantic Distinguishability and Safety Outcomes系列： 廣義相位交流與載體安全（Generalized Phase Communication and Carrier Safety, GPC-CS）Paper： 02作者： Neo.K（許筌崴）機構： EveMissLab／一言諾科技有限公司理論協作： Aletheia（GPT-5.6 Sol）版本： v1.0日期： 2026-08-13狀態： Public Theoretical Paper / Non-operational Safety Theory
摘要
Paper 01 將廣義相位交流中的安全問題形式化為載體狀態空間 X i \mathcal X_i X i S i \mathcal S_i S i C G \mathcal C_G C G 當一個載體中的表示被轉導到另一個載體時，究竟什麼叫做「保留了原本的東西」？而接收端重建出的結果，又有多少來自傳輸本身，多少來自接收載體的既有狀態？
本文的第一個主張是：跨載體保真不能由單一表示距離定義。兩個載體可以在幾何上相似但功能不同，也可以在特定任務上功能相容卻依賴不同資訊；現有 representation similarity、model stitching 與 representation alignment 文獻已顯示這些判定層彼此不可簡單等同。因此，本文把跨載體錯配拆分為表示幾何錯配、可解碼錯配、功能錯配、資訊錯配與安全結果錯配，並以向量而非單一純量表示：
Δ i j = ( δ g e o m , δ d e c , δ f u n c , δ i n f o , δ s a f e ) . \boxed{
\Delta_{ij}
=
(
\delta_{\mathrm{geom}},
\delta_{\mathrm{dec}},
\delta_{\mathrm{func}},
\delta_{\mathrm{info}},
\delta_{\mathrm{safe}}
).
} Δ ij = ( δ geom , δ dec , δ func , δ info , δ safe ) . 本文的第二個主張是：真正決定「有損轉導是否仍足夠」的，不是轉導算子 T i j T_{ij} T ij Q \mathscr Q Q ∼ Q \sim_{\mathscr Q} ∼ Q q q q g g g q = g ∘ T q=g\circ T q = g ∘ T q q q T T T
T ( z 1 ) = T ( z 2 ) 但 z 1 ̸ ∼ Q z 2 . T(z_1)=T(z_2)
\quad\text{但}\quad
z_1\not\sim_{\mathscr Q}z_2. T ( z 1 ) = T ( z 2 ) 但 z 1 ∼ Q z 2 . 本文稱此為跨語義類別名化（cross-class aliasing） 。
第三，本文把接收端本地狀態 X j X_j X j Y Y Y U = T ( Z ) U=T(Z) U = T ( Z ) R = D ( U , X j ) R=D(U,X_j) R = D ( U , X j )
I ( Y ; U ) ≤ I ( Y ; Z ) , I(Y;U)
\le
I(Y;Z), I ( Y ; U ) ≤ I ( Y ; Z ) , 以及：
I ( Y ; R ) − I ( Y ; U ) ≤ I ( Y ; X j ∣ U ) . \boxed{
I(Y;R)-I(Y;U)
\le
I(Y;X_j\mid U).
} I ( Y ; R ) − I ( Y ; U ) ≤ I ( Y ; X j ∣ U ) . 這表示重建後看似增加的語義資訊，最多只能由接收端既有 side information 所供應；它不能被誤認為全都由傳輸來源攜帶。此結果把早期「接收端重建過剩」直覺轉化為標準資訊論語言。
第四，本文證明 exact cycle consistency 並不足以推出語義保真，representation similarity 也不足以推出功能或資訊等價；同樣地，語義高保真與載體安全之間不存在一般蘊含關係。最後，本文給出一個轉導—重建—狀態更新的 Lipschitz 誤差傳播界：
d X ( x + , x + ′ ) ≤ η d X ( x , x ′ ) + β d U ( u , u ′ ) \boxed{
d_X(x^+,x^{+\prime})
\le
\eta\,d_X(x,x')
+
\beta\,d_U(u,u')
} d X ( x + , x + ′ ) ≤ η d X ( x , x ′ ) + β d U ( u , u ′ ) 其中：
η = M x + M r L x , β = M r L u . \eta
=
M_x+M_rL_x,
\qquad
\beta
=
M_rL_u. η = M x + M r L x , β = M r L u . 此式顯示跨載體錯配不只存在於一次解碼結果，也可能經由接收端狀態依賴而在連續交流中衰減、維持或放大。
本文不提供任何高風險內容、實際載荷、注入方式、神經刺激參數或模型攻防程序。本文只建立跨載體轉導與重建錯配的抽象數學問題，並為後續容量錯配、算子誘發風險與全域級聯分析建立共同接口。
關鍵詞： 跨載體轉導、重建錯配、表示對齊、語義等價類、fiber、別名化、side information、資訊保真、cycle consistency、載體安全
0. 文獻定位與研究邊界
跨表示空間的「相似」並不是一個新問題。神經網路表示比較已有 CCA、CKA、RSA、Procrustes、shape distance 等多種方法；Kornblith 等人的 CKA 工作指出，不同相似度量具有不同不變性與適用限制。Model stitching 則把問題轉向功能可接性：若一個模型前段的表示經簡單轉換後可以接入另一個模型後段，兩者在某種任務意義下具有功能相容性。
但近年的結果同時說明：
functional compatibility 不等於 informational equivalence。
不同模型即使可以成功 stitching，也可能依賴不同資訊或不同線索完成任務。2025 年的相關工作甚至展示 representation similarity 與 function similarity 可以彼此解離。這對 GPC-CS 很重要，因為跨載體安全不能把「能接」、「像」、「做出同一答案」、「保留同一資訊」與「交流後仍安全」視為同一件事。
另一方面，semantic communication 與 latent translation 研究已經提供了另一組技術背景：DeepSC 類系統把通信目標從 bit-level error 推向 semantic-level fidelity；latent translation、model stitching 與 2025 年的 LLM vector translation 則展示不同模型或模態的 latent spaces 可以透過學習到的轉換建立部分可用橋樑。
本文不把這些工作等同於完整的廣義相位交流。
本文只取其中一個最小事實：
不同載體的內部表示可以被比較、轉換、對齊或接合，但「轉換成功」需要明確說明成功的是哪一種保真。
本文不提供任何攻擊實作、危險內容構造或跨模型注入流程。
1. 基本架構：表示、轉導、重建與更新
設來源載體為 L i L_i L i L j L_j L j
Paper 01 已定義載體狀態：
x i ∈ X i , x j ∈ X j . x_i\in\mathcal X_i,
\qquad
x_j\in\mathcal X_j. x i ∈ X i , x j ∈ X j . 本文另外引入來源表示空間：
Z i , \mathcal Z_i, Z i , 與目標輸入空間：
U j . \mathcal U_j. U j . 來源載體的外顯映射為：
E i : X i → Z i . E_i:
\mathcal X_i
\rightarrow
\mathcal Z_i. E i : X i → Z i . 跨載體轉導為：
T i j : Z i → U j . T_{ij}:
\mathcal Z_i
\rightarrow
\mathcal U_j. T ij : Z i → U j . 目標載體本地重建為：
D j : U j × X j → R j . D_j:
\mathcal U_j
\times
\mathcal X_j
\rightarrow
\mathcal R_j. D j : U j × X j → R j . 最後由狀態更新算子：
F j : X j × R j → X j F_j:
\mathcal X_j
\times
\mathcal R_j
\rightarrow
\mathcal X_j F j : X j × R j → X j 得到：
x j + = F j ( x j , D j ( T i j ( E i ( x i ) ) , x j ) ) . x_j^+
=
F_j
\left(
x_j,
D_j
(
T_{ij}(E_i(x_i)),
x_j
)
\right). x j + = F j ( x j , D j ( T ij ( E i ( x i )) , x j ) ) . 定義完整跨載體更新：
Φ i j ( x i , x j ) = F j ( x j , D j ( T i j ( E i ( x i ) ) , x j ) ) . \boxed{
\Phi_{ij}(x_i,x_j)
=
F_j
\left(
x_j,
D_j
(
T_{ij}(E_i(x_i)),
x_j
)
\right).
} Φ ij ( x i , x j ) = F j ( x j , D j ( T ij ( E i ( x i )) , x j ) ) . 本文的研究對象不是單獨的 T i j T_{ij} T ij
而是整條鏈：
E i → T i j → D j → F j . E_i
\rightarrow
T_{ij}
\rightarrow
D_j
\rightarrow
F_j. E i → T ij → D j → F j . 2. 為什麼不能假設存在單一「真正語義距離」
若兩個載體的表示空間不同：
Z i ≠ Z j , \mathcal Z_i
\neq
\mathcal Z_j, Z i = Z j , 那麼直接寫：
d ( z i , z j ) d(z_i,z_j) d ( z i , z j ) 通常甚至沒有定義。
即使透過某個對齊映射：
A i j : Z i → Z j A_{ij}:
\mathcal Z_i
\rightarrow
\mathcal Z_j A ij : Z i → Z j 把兩者放進同一座標系，也仍然必須先回答：
我們希望保留的是什麼？
可能是：
幾何鄰近；
某些可解碼特徵；
任務輸出；
類別判定；
因果作用；
不變性；
資訊量；
安全結果。
這些都不是同一個問題。
因此本文不預設一個宇宙唯一的：
d s e m a n t i c . d_{\mathrm{semantic}}. d semantic . 相反地，本文採用任務相對可觀察量族 。
3. 可觀察量族與語義等價類
3.1 可觀察量族
對來源載體，選擇一族研究相關的可觀察量：
Q i = { q i ( ℓ ) : Z i → Y ℓ } ℓ ∈ Λ . \mathscr Q_i
=
\left\{
q_i^{(\ell)}
:
\mathcal Z_i
\rightarrow
\mathcal Y_\ell
\right\}_{\ell\in\Lambda}. Q i = { q i ( ℓ ) : Z i → Y ℓ } ℓ ∈ Λ . 對目標重建空間，對應地定義：
Q j = { q j ( ℓ ) : R j → Y ℓ } ℓ ∈ Λ . \mathscr Q_j
=
\left\{
q_j^{(\ell)}
:
\mathcal R_j
\rightarrow
\mathcal Y_\ell
\right\}_{\ell\in\Lambda}. Q j = { q j ( ℓ ) : R j → Y ℓ } ℓ ∈ Λ . 兩者使用相同的 codomain Y ℓ \mathcal Y_\ell Y ℓ
例如某個 ℓ \ell ℓ
是否保留某個分類；
是否保留某種順序；
是否保留一組關係；
是否保留某個可解碼變量；
是否保留某個後續功能。
本文不要求 Y ℓ \mathcal Y_\ell Y ℓ
3.2 語義等價關係
在來源表示空間上定義：
z ∼ Q i z ′ z
\sim_{\mathscr Q_i}
z' z ∼ Q i z ′ 當且僅當：
∀ ℓ ∈ Λ , q i ( ℓ ) ( z ) = q i ( ℓ ) ( z ′ ) . \forall\ell\in\Lambda,
\qquad
q_i^{(\ell)}(z)
=
q_i^{(\ell)}(z'). ∀ ℓ ∈ Λ , q i ( ℓ ) ( z ) = q i ( ℓ ) ( z ′ ) . 因此：
[ z ] Q i [z]_{\mathscr Q_i} [ z ] Q i 表示在目前研究問題下不可區分的表示類。
這是一個重要觀念：
兩個表示不必在所有微觀座標上相同，仍可以在指定研究任務下屬於同一語義等價類。
因此跨載體保真可以研究 quotient：
Z i / ∼ Q i \boxed{
\mathcal Z_i
/
\sim_{\mathscr Q_i}
} Z i / ∼ Q i 而不必要求完整微觀狀態同構。
4. 可觀察量保真誤差
設來源表示為：
z ∈ Z i . z\in\mathcal Z_i. z ∈ Z i . 轉導後：
u = T i j ( z ) . u
=
T_{ij}(z). u = T ij ( z ) . 在目標載體狀態 x j x_j x j
r j = D j ( u , x j ) . r_j
=
D_j(u,x_j). r j = D j ( u , x j ) . 若 Y ℓ \mathcal Y_\ell Y ℓ d ℓ d_\ell d ℓ ℓ \ell ℓ
δ i j ( ℓ ) ( z , x j ) = d ℓ ( q j ( ℓ ) ( r j ) , q i ( ℓ ) ( z ) ) . \delta_{ij}^{(\ell)}
(
z,x_j
)
=
d_\ell
\left(
q_j^{(\ell)}(r_j),
q_i^{(\ell)}(z)
\right). δ ij ( ℓ ) ( z , x j ) = d ℓ ( q j ( ℓ ) ( r j ) , q i ( ℓ ) ( z ) ) . 可進一步定義：
δ Q i j ( z , x j ) = sup ℓ ∈ Λ δ i j ( ℓ ) ( z , x j ) . \delta_{\mathscr Q}^{ij}
(
z,x_j
)
=
\sup_{\ell\in\Lambda}
\delta_{ij}^{(\ell)}
(
z,x_j
). δ Q ij ( z , x j ) = ℓ ∈ Λ sup δ ij ( ℓ ) ( z , x j ) . 若：
δ Q i j ( z , x j ) = 0 , \delta_{\mathscr Q}^{ij}
(
z,x_j
)
=
0, δ Q ij ( z , x j ) = 0 , 則稱此次轉導—重建對 Q \mathscr Q Q 精確保真 。
這個定義故意不要求：
r j = z . r_j=z. r j = z . 因為兩者甚至可能不在同一空間。
5. Fiber 保真定理
現在可以回答一個核心問題：
一個非單射、有損的轉導，什麼時候仍然可以對指定語義完全保真？
設：
T : Z → U , T:
\mathcal Z
\rightarrow
\mathcal U, T : Z → U , 以及某個可觀察量：
q : Z → Y . q:
\mathcal Z
\rightarrow
\mathcal Y. q : Z → Y . 定理 5.1：Fiber Factorization Criterion
存在函數：
g : T ( Z ) → Y g:
T(\mathcal Z)
\rightarrow
\mathcal Y g : T ( Z ) → Y 使：
q = g ∘ T \boxed{
q
=
g
\circ
T
} q = g ∘ T 當且僅當 q q q T T T
T ( z 1 ) = T ( z 2 ) ⇒ q ( z 1 ) = q ( z 2 ) . T(z_1)
=
T(z_2)
\Rightarrow
q(z_1)
=
q(z_2). T ( z 1 ) = T ( z 2 ) ⇒ q ( z 1 ) = q ( z 2 ) . 證明
必要性
若：
q = g ∘ T , q
=
g\circ T, q = g ∘ T , 且：
T ( z 1 ) = T ( z 2 ) , T(z_1)=T(z_2), T ( z 1 ) = T ( z 2 ) , 則：
q ( z 1 ) = g ( T ( z 1 ) ) = g ( T ( z 2 ) ) = q ( z 2 ) . q(z_1)
=
g(T(z_1))
=
g(T(z_2))
=
q(z_2). q ( z 1 ) = g ( T ( z 1 )) = g ( T ( z 2 )) = q ( z 2 ) . 故 q q q
充分性
假設 q q q
對任意：
u ∈ T ( Z ) , u\in T(\mathcal Z), u ∈ T ( Z ) , 取任意：
z ∈ T − 1 ( u ) , z\in T^{-1}(u), z ∈ T − 1 ( u ) , 定義：
g ( u ) = q ( z ) . g(u)=q(z). g ( u ) = q ( z ) . 由 fiber 常數性，此定義與所選 z z z g g g
故：
q ( z ) = g ( T ( z ) ) . q(z)
=
g(T(z)). q ( z ) = g ( T ( z )) . 證畢。
6. 非單射不等於語義損失
定理 5.1 直接給出一個重要推論。
推論 6.1
即使：
T T T 不是單射，只要每個 fiber 完全落在同一個 Q \mathscr Q Q Q \mathscr Q Q
因此：
non-injective ⇏ semantically lossy . \boxed{
\text{non-injective}
\not\Rightarrow
\text{semantically lossy}.
} non-injective ⇒ semantically lossy . 真正的問題不是壓縮本身。
而是壓縮是否跨越了必須被區分的語義類。
7. 跨語義類別名化
定義：
A T Q = { ( z 1 , z 2 ) : T ( z 1 ) = T ( z 2 ) , z 1 ̸ ∼ Q z 2 } . \mathcal A_T^{\mathscr Q}
=
\left\{
(z_1,z_2):
T(z_1)=T(z_2),
\;
z_1
\not\sim_{\mathscr Q}
z_2
\right\}. A T Q = { ( z 1 , z 2 ) : T ( z 1 ) = T ( z 2 ) , z 1 ∼ Q z 2 } . 若：
A T Q ≠ ∅ , \mathcal A_T^{\mathscr Q}
\neq
\varnothing, A T Q = ∅ , 則稱 T T T 跨語義類別名化（cross-class aliasing） 。
定理 7.1：別名化不可恢復定理
若：
( z 1 , z 2 ) ∈ A T Q , (z_1,z_2)
\in
\mathcal A_T^{\mathscr Q}, ( z 1 , z 2 ) ∈ A T Q , 則不存在任何只依賴 T ( z ) T(z) T ( z ) z 1 , z 2 z_1,z_2 z 1 , z 2 Q \mathscr Q Q
證明
因為：
T ( z 1 ) = T ( z 2 ) = u . T(z_1)=T(z_2)=u. T ( z 1 ) = T ( z 2 ) = u . 任何只依賴 u u u
D ( u ) . D(u). D ( u ) . 但由：
z 1 ̸ ∼ Q z 2 , z_1
\not\sim_{\mathscr Q}
z_2, z 1 ∼ Q z 2 , 存在某個 ℓ \ell ℓ
q ( ℓ ) ( z 1 ) ≠ q ( ℓ ) ( z 2 ) . q^{(\ell)}(z_1)
\neq
q^{(\ell)}(z_2). q ( ℓ ) ( z 1 ) = q ( ℓ ) ( z 2 ) . 單一輸出不可能同時等於兩個不同的目標觀察值。
矛盾。
證畢。
8. Side Information 會改變「不可恢復」的意義
Paper 00 與早期相位交流理論已強調：
接收端不是空白容器。
因此本文的重建器是：
D j ( u , x j ) , D_j(u,x_j), D j ( u , x j ) , 而不是：
D j ( u ) . D_j(u). D j ( u ) . 若兩個來源狀態：
z 1 , z 2 z_1,z_2 z 1 , z 2 被 T T T u u u x j x_j x j
然而這表示：
區分資訊並不是由 u u u
因此需要把「傳輸保真」與「傳輸 + side information 後的重建保真」分開。
9. 資訊論版本：重建過剩的上界
設：
Y Y Y Z Z Z U = T ( Z ) U=T(Z) U = T ( Z ) X X X R = D ( U , X ) R=D(U,X) R = D ( U , X )
假設：
Y → Z → U Y
\rightarrow
Z
\rightarrow
U Y → Z → U 形成 Markov chain。
則由 data processing inequality：
I ( Y ; U ) ≤ I ( Y ; Z ) . \boxed{
I(Y;U)
\le
I(Y;Z).
} I ( Y ; U ) ≤ I ( Y ; Z ) . 轉導本身不能憑空增加關於 Y Y Y
另一方面，由於 R R R ( U , X ) (U,X) ( U , X )
I ( Y ; R ) ≤ I ( Y ; U , X ) . I(Y;R)
\le
I(Y;U,X). I ( Y ; R ) ≤ I ( Y ; U , X ) . 利用 chain rule：
I ( Y ; U , X ) = I ( Y ; U ) + I ( Y ; X ∣ U ) . I(Y;U,X)
=
I(Y;U)
+
I(Y;X\mid U). I ( Y ; U , X ) = I ( Y ; U ) + I ( Y ; X ∣ U ) . 因此得到：
定理 9.1：本地重建資訊增益上界
I ( Y ; R ) − I ( Y ; U ) ≤ I ( Y ; X ∣ U ) . \boxed{
I(Y;R)
-
I(Y;U)
\le
I(Y;X\mid U).
} I ( Y ; R ) − I ( Y ; U ) ≤ I ( Y ; X ∣ U ) . 解釋
若：
I ( Y ; R ) > I ( Y ; U ) , I(Y;R)
>
I(Y;U), I ( Y ; R ) > I ( Y ; U ) , 則這個額外可用資訊必須能由接收端 side information X X X
特別地，若：
I ( Y ; X ∣ U ) = 0 , I(Y;X\mid U)=0, I ( Y ; X ∣ U ) = 0 , 則：
I ( Y ; R ) ≤ I ( Y ; U ) . I(Y;R)
\le
I(Y;U). I ( Y ; R ) ≤ I ( Y ; U ) . 此時接收端不能透過本地重建增加任何真正關於 Y Y Y
10. 來源保真與重建合理性必須分開
假設接收端產生一個非常合理的結果：
R . R. R . 這不表示：
R R R 高度忠實於來源。
它可能高度依賴：
X . X. X . 因此至少需要區分：
source fidelity \text{source fidelity} source fidelity 與：
receiver plausibility . \text{receiver plausibility}. receiver plausibility . 可形式化為兩個不同評估：
δ s r c = d ( q j ( R ) , q i ( Z ) ) , \delta_{\mathrm{src}}
=
d
(
q_j(R),
q_i(Z)
), δ src = d ( q j ( R ) , q i ( Z )) , 以及：
δ l o c a l = L j ( R ; X ) , \delta_{\mathrm{local}}
=
\mathcal L_j(R;X), δ local = L j ( R ; X ) , 其中 L j \mathcal L_j L j
一個輸出可以滿足：
δ l o c a l ≈ 0 , \delta_{\mathrm{local}}\approx0, δ local ≈ 0 , 但：
δ s r c ≫ 0. \delta_{\mathrm{src}}\gg0. δ src ≫ 0. 這就是廣義相位交流中「看起來理解成功」與「實際來源保真」分離的正式接口。
11. 五層錯配向量
本文不使用一個萬能錯配分數。
定義：
Δ i j = ( δ g e o m , δ d e c , δ f u n c , δ i n f o , δ s a f e ) . \boxed{
\Delta_{ij}
=
(
\delta_{\mathrm{geom}},
\delta_{\mathrm{dec}},
\delta_{\mathrm{func}},
\delta_{\mathrm{info}},
\delta_{\mathrm{safe}}
).
} Δ ij = ( δ geom , δ dec , δ func , δ info , δ safe ) . 11.1 表示幾何錯配
在選定比較方法 G \mathfrak G G C \mathcal C C
δ g e o m = G ( Z i , Z j ) . \delta_{\mathrm{geom}}
=
\mathfrak G
(
Z_i,
Z_j
). δ geom = G ( Z i , Z j ) . G \mathfrak G G
本文不指定哪一個永遠正確。
不同度量對不同變換具有不同不變性。
11.2 可解碼錯配
對任務變量 Y Y Y
P i ( Y ) , P j ( Y ) . \mathcal P_i(Y),
\qquad
\mathcal P_j(Y). P i ( Y ) , P j ( Y ) . 可定義：
δ d e c = d P ( P i ( Y ) , P j ( Y ) ) . \delta_{\mathrm{dec}}
=
d_{\mathcal P}
(
\mathcal P_i(Y),
\mathcal P_j(Y)
). δ dec = d P ( P i ( Y ) , P j ( Y )) . 這回答：
同一資訊是否仍能被有效讀出？
11.3 功能錯配
設來源與目標的下游功能為：
f i , f j . f_i,
\qquad
f_j. f i , f j . 可定義：
δ f u n c = E [ d F ( f i ( z ) , f j ( r ) ) ] . \delta_{\mathrm{func}}
=
\mathbb E
\left[
d_F
(
f_i(z),
f_j(r)
)
\right]. δ func = E [ d F ( f i ( z ) , f j ( r )) ] . 這回答：
兩者是否在指定任務上產生相似功能結果？
11.4 資訊錯配
對語義變量 Y Y Y
δ i n f o = ∣ I ( Y ; Z ) − I ( Y ; R ) ∣ . \delta_{\mathrm{info}}
=
\left|
I(Y;Z)
-
I(Y;R)
\right|. δ info = ∣ I ( Y ; Z ) − I ( Y ; R ) ∣ . 它與功能錯配不同。
兩個表示可以在某個任務上做出相同答案，但保留不同的其他資訊。
11.5 安全結果錯配
令目標載體更新前後為：
x j → x j + . x_j
\rightarrow
x_j^+. x j → x j + . Paper 01 的安全裕度為：
μ S j ( x j + ) . \mu_{\mathcal S_j}(x_j^+). μ S j ( x j + ) . 可用：
δ s a f e = max { 0 , − σ S j ( x j + ) } \delta_{\mathrm{safe}}
=
\max
\left\{
0,
-\sigma_{\mathcal S_j}(x_j^+)
\right\} δ safe = max { 0 , − σ S j ( x j + ) } 表示超出安全域的程度，其中 σ S j \sigma_{\mathcal S_j} σ S j
這回答：
即使語義成功，載體結果是否仍符合安全規格？
12. 為什麼不把五個錯配直接加總
最誘惑人的寫法是：
D = ∑ k w k δ k . D
=
\sum_k
w_k\delta_k. D = k ∑ w k δ k . 本文不把它當成基本定義。
因為權重：
w k w_k w k 本身帶有任務、價值與安全規格選擇。
例如：
某系統極度重視可解碼功能；
某系統極度重視資訊完整性；
某系統即使語義錯配很小，只要安全域越界就完全不可接受。
因此更中性的結構是 componentwise partial order：
Δ ⪯ Δ ′ \Delta
\preceq
\Delta' Δ ⪯ Δ ′ 當且僅當：
∀ k , δ k ≤ δ k ′ . \forall k,
\qquad
\delta_k
\le
\delta_k'. ∀ k , δ k ≤ δ k ′ . 此時可以研究 Pareto frontier，而不先偷渡一個宇宙唯一的權重函數。
13. Cycle Consistency 不等於語義保真
跨域 translation 常使用 cycle consistency。
設：
T i j : Z i → Z j , T_{ij}:
\mathcal Z_i
\rightarrow
\mathcal Z_j, T ij : Z i → Z j , T j i : Z j → Z i . T_{ji}:
\mathcal Z_j
\rightarrow
\mathcal Z_i. T j i : Z j → Z i . 若：
T j i ∘ T i j = id Z i , T_{ji}
\circ
T_{ij}
=
\operatorname{id}_{\mathcal Z_i}, T j i ∘ T ij = id Z i , 我們得到 exact cycle consistency。
這可以保證 T i j T_{ij} T ij
但它仍不能單獨保證：
q j ∘ T i j = q i . q_j
\circ
T_{ij}
=
q_i. q j ∘ T ij = q i . 命題 13.1：Exact Cycle Consistency 不推出語義保真
構造
令：
Z i = Z j = { 0 , 1 } . \mathcal Z_i
=
\mathcal Z_j
=
\{0,1\}. Z i = Z j = { 0 , 1 } . 令：
T i j ( z ) = z , T_{ij}(z)=z, T ij ( z ) = z , T j i ( z ) = z . T_{ji}(z)=z. T j i ( z ) = z . 因此：
T j i ∘ T i j = id . T_{ji}
\circ
T_{ij}
=
\operatorname{id}. T j i ∘ T ij = id . 但定義來源語義：
q i ( z ) = z , q_i(z)=z, q i ( z ) = z , 目標語義：
q j ( z ) = 1 − z . q_j(z)=1-z. q j ( z ) = 1 − z . 則：
q j ( T i j ( z ) ) = 1 − z ≠ z = q i ( z ) . q_j(T_{ij}(z))
=
1-z
\neq
z
=
q_i(z). q j ( T ij ( z )) = 1 − z = z = q i ( z ) . 因此 cycle 完美，語義仍完全反轉。
證畢。
14. 幾何相似不等於功能相似，功能相容也不等於資訊相同
這一點不只是抽象可能。
representation comparison 文獻已反覆顯示：
CKA 等幾何相似量只捕捉特定不變性下的表示關係；
model stitching 測試的是某種 forward functional compatibility；
functionally stitchable representations 仍可能保留不同資訊；
representation similarity 與 function similarity 可以解離。
因此本文採取：
δ g e o m , δ f u n c , δ i n f o 必須分列。 \boxed{
\delta_{\mathrm{geom}},
\delta_{\mathrm{func}},
\delta_{\mathrm{info}}
\text{ 必須分列。}
} δ geom , δ func , δ info 必須分列。 任何未來 GPC 系統如果只報告一個 representation alignment score，都不足以推出完整跨載體保真。
15. 語義保真不推出載體安全
Paper 01 已把安全定義為狀態域閉包。
本文現在可以證明：
即使跨載體語義完全保真，也不表示載體更新安全。
命題 15.1：語義保真與安全性不存在一般蘊含
情況 A：完全保真但不安全
令：
T ( z ) = z , T(z)=z, T ( z ) = z , D ( u , x ) = u . D(u,x)=u. D ( u , x ) = u . 所以語義完全保留。
但令安全域：
S = [ − 1 , 1 ] , \mathcal S=[-1,1], S = [ − 1 , 1 ] , 並令某次狀態更新：
F ( x , r ) = 2. F(x,r)=2. F ( x , r ) = 2. 則：
x + = 2 ∉ S . x^+=2\notin\mathcal S. x + = 2 ∈ / S . 因此語義保真但不安全。
情況 B：完全失真但安全
令：
T ( z ) = 0 , T(z)=0, T ( z ) = 0 , D ( 0 , x ) = 0 , D(0,x)=0, D ( 0 , x ) = 0 , 使來源資訊全部消失。
但令：
F ( x , 0 ) = 0. F(x,0)=0. F ( x , 0 ) = 0. 則：
x + = 0 ∈ S . x^+=0\in\mathcal S. x + = 0 ∈ S . 因此可以語義失真但狀態安全。
故一般而言：
fidelity ⇏ safety , \boxed{
\text{fidelity}
\not\Rightarrow
\text{safety},
} fidelity ⇒ safety , 且：
safety ⇏ fidelity . \boxed{
\text{safety}
\not\Rightarrow
\text{fidelity}.
} safety ⇒ fidelity . 證畢。
16. 聯合保真—安全域
因此真正有用的集合不是只研究：
δ Q ≤ ε , \delta_{\mathscr Q}
\le
\varepsilon, δ Q ≤ ε , 也不是只研究：
x j + ∈ S j . x_j^+\in\mathcal S_j. x j + ∈ S j . 而是定義：
K i j ( ε ) = { ( z i , x j ) : δ Q i j ( z i , x j ) ≤ ε ∧ Φ i j ( z i , x j ) ∈ S j } . \boxed{
\mathcal K_{ij}(\varepsilon)
=
\left\{
(z_i,x_j):
\delta_{\mathscr Q}^{ij}(z_i,x_j)
\le
\varepsilon
\;\land\;
\Phi_{ij}(z_i,x_j)
\in
\mathcal S_j
\right\}.
} K ij ( ε ) = { ( z i , x j ) : δ Q ij ( z i , x j ) ≤ ε ∧ Φ ij ( z i , x j ) ∈ S j } . 這是跨載體交流的聯合保真—安全域 。
它回答：
哪些來源表示與目標初始狀態組合，既能達到指定保真，又不讓目標載體離開安全域？
後續 Paper 03 與 Paper 04 可以直接在此集合上加入容量與算子條件。
17. 狀態依賴重建的誤差傳播
前面的定義仍是靜態的。
但 GPC 的真正問題是連續交流。
假設重建器滿足 Lipschitz 條件：
d R ( D ( u , x ) , D ( u ′ , x ′ ) ) ≤ L u d U ( u , u ′ ) + L x d X ( x , x ′ ) . d_R
\left(
D(u,x),
D(u',x')
\right)
\le
L_u
d_U(u,u')
+
L_x
d_X(x,x'). d R ( D ( u , x ) , D ( u ′ , x ′ ) ) ≤ L u d U ( u , u ′ ) + L x d X ( x , x ′ ) . 再假設狀態更新器滿足：
d X ( F ( x , r ) , F ( x ′ , r ′ ) ) ≤ M x d X ( x , x ′ ) + M r d R ( r , r ′ ) . d_X
\left(
F(x,r),
F(x',r')
\right)
\le
M_x
d_X(x,x')
+
M_r
d_R(r,r'). d X ( F ( x , r ) , F ( x ′ , r ′ ) ) ≤ M x d X ( x , x ′ ) + M r d R ( r , r ′ ) . 令：
x + = F ( x , D ( u , x ) ) , x^+
=
F(x,D(u,x)), x + = F ( x , D ( u , x )) , x + ′ = F ( x ′ , D ( u ′ , x ′ ) ) . x^{+\prime}
=
F(x',D(u',x')). x + ′ = F ( x ′ , D ( u ′ , x ′ )) . 則：
定理 17.1：轉導—重建誤差傳播界
d X ( x + , x + ′ ) ≤ ( M x + M r L x ) d X ( x , x ′ ) + M r L u d U ( u , u ′ ) . \boxed{
d_X
(
x^+,
x^{+\prime}
)
\le
\left(
M_x+M_rL_x
\right)
d_X(x,x')
+
M_rL_u
d_U(u,u').
} d X ( x + , x + ′ ) ≤ ( M x + M r L x ) d X ( x , x ′ ) + M r L u d U ( u , u ′ ) . 證明
由 F F F
d X ( x + , x + ′ ) ≤ M x d X ( x , x ′ ) + M r d R ( D ( u , x ) , D ( u ′ , x ′ ) ) . d_X
(
x^+,
x^{+\prime}
)
\le
M_xd_X(x,x')
+
M_r
d_R
(
D(u,x),
D(u',x')
). d X ( x + , x + ′ ) ≤ M x d X ( x , x ′ ) + M r d R ( D ( u , x ) , D ( u ′ , x ′ )) . 再代入 D D D
d X ( x + , x + ′ ) ≤ M x d X ( x , x ′ ) + M r [ L u d U ( u , u ′ ) + L x d X ( x , x ′ ) ] . d_X
(
x^+,
x^{+\prime}
)
\le
M_xd_X(x,x')
+
M_r
\left[
L_ud_U(u,u')
+
L_xd_X(x,x')
\right]. d X ( x + , x + ′ ) ≤ M x d X ( x , x ′ ) + M r [ L u d U ( u , u ′ ) + L x d X ( x , x ′ ) ] . 整理：
d X ( x + , x + ′ ) ≤ ( M x + M r L x ) d X ( x , x ′ ) + M r L u d U ( u , u ′ ) . d_X
(
x^+,
x^{+\prime}
)
\le
\left(
M_x+M_rL_x
\right)
d_X(x,x')
+
M_rL_ud_U(u,u'). d X ( x + , x + ′ ) ≤ ( M x + M r L x ) d X ( x , x ′ ) + M r L u d U ( u , u ′ ) . 證畢。
18. 狀態敏感增益
定義：
η = M x + M r L x \boxed{
\eta
=
M_x
+
M_rL_x
} η = M x + M r L x 為狀態敏感增益。
定義：
β = M r L u \boxed{
\beta
=
M_rL_u
} β = M r L u 為輸入錯配增益。
則：
d t + 1 ≤ η d t + β e t , d_{t+1}
\le
\eta d_t
+
\beta e_t, d t + 1 ≤ η d t + β e t , 其中：
d t = d X ( x t , x t ′ ) , d_t
=
d_X(x_t,x_t'), d t = d X ( x t , x t ′ ) , e t = d U ( u t , u t ′ ) . e_t
=
d_U(u_t,u_t'). e t = d U ( u t , u t ′ ) . 反覆展開：
d t ≤ η t d 0 + β ∑ k = 0 t − 1 η t − 1 − k e k . \boxed{
d_t
\le
\eta^t d_0
+
\beta
\sum_{k=0}^{t-1}
\eta^{t-1-k}e_k.
} d t ≤ η t d 0 + β k = 0 ∑ t − 1 η t − 1 − k e k . 因此：
若 η < 1 \eta<1 η < 1
若 η = 1 \eta=1 η = 1
若 η > 1 \eta>1 η > 1
注意：
η > 1 \eta>1 η > 1 不是系統一定失效的充分必要條件。
它只是此 Lipschitz 上界下的一個增益警示。
19. 與 Paper 01 安全裕度的連接
Paper 01 定義安全裕度：
μ S ( y ) = dist ( y , X ∖ S ) . \mu_{\mathcal S}(y)
=
\operatorname{dist}
(
y,
\mathcal X\setminus\mathcal S
). μ S ( y ) = dist ( y , X ∖ S ) . 假設參考狀態：
x + ⋆ ∈ Int ( S ) . x^{+\star}
\in
\operatorname{Int}(\mathcal S). x +⋆ ∈ Int ( S ) . 若實際狀態 x + x^+ x +
d X ( x + , x + ⋆ ) < μ S ( x + ⋆ ) , d_X
(
x^+,
x^{+\star}
)
<
\mu_{\mathcal S}
(
x^{+\star}
), d X ( x + , x +⋆ ) < μ S ( x +⋆ ) , 則：
x + ∈ S . x^+
\in
\mathcal S. x + ∈ S . 結合定理 17.1，得到：
推論 19.1：單步轉導錯配安全充分條件
若：
( M x + M r L x ) d X ( x , x ⋆ ) + M r L u d U ( u , u ⋆ ) < μ S ( x + ⋆ ) , \left(
M_x+M_rL_x
\right)
d_X(x,x^\star)
+
M_rL_u
d_U(u,u^\star)
<
\mu_{\mathcal S}
(
x^{+\star}
), ( M x + M r L x ) d X ( x , x ⋆ ) + M r L u d U ( u , u ⋆ ) < μ S ( x +⋆ ) , 則：
x + ∈ S . x^+
\in
\mathcal S. x + ∈ S . 這是 Paper 01 的安全集合與 Paper 02 的轉導錯配之間第一條正式橋樑。
20. 多段轉導的誤差組合
跨載體交流不一定只有：
i → j . i
\rightarrow
j. i → j . 也可能是：
i → j → k . i
\rightarrow
j
\rightarrow
k. i → j → k . 設理想轉導為：
T i j ⋆ , T j k ⋆ , T_{ij}^\star,
\qquad
T_{jk}^\star, T ij ⋆ , T j k ⋆ , 實際轉導為：
T i j , T j k . T_{ij},
\qquad
T_{jk}. T ij , T j k . 假設：
d ( T i j ( z ) , T i j ⋆ ( z ) ) ≤ ε i j , d
(
T_{ij}(z),
T_{ij}^\star(z)
)
\le
\varepsilon_{ij}, d ( T ij ( z ) , T ij ⋆ ( z )) ≤ ε ij , 且 T j k T_{jk} T j k
d ( T j k ( a ) , T j k ( b ) ) ≤ L j k d ( a , b ) , d
(
T_{jk}(a),
T_{jk}(b)
)
\le
L_{jk}d(a,b), d ( T j k ( a ) , T j k ( b )) ≤ L j k d ( a , b ) , 並有：
d ( T j k ( y ) , T j k ⋆ ( y ) ) ≤ ε j k . d
(
T_{jk}(y),
T_{jk}^\star(y)
)
\le
\varepsilon_{jk}. d ( T j k ( y ) , T j k ⋆ ( y )) ≤ ε j k . 則由三角不等式：
定理 20.1：兩段轉導錯配界
d ( T j k ( T i j ( z ) ) , T j k ⋆ ( T i j ⋆ ( z ) ) ) ≤ L j k ε i j + ε j k . \boxed{
d
\left(
T_{jk}
(
T_{ij}(z)
),
T_{jk}^\star
(
T_{ij}^\star(z)
)
\right)
\le
L_{jk}\varepsilon_{ij}
+
\varepsilon_{jk}.
} d ( T j k ( T ij ( z )) , T j k ⋆ ( T ij ⋆ ( z )) ) ≤ L j k ε ij + ε j k . 因此中繼橋越多，錯配不一定單純線性累加；它會受到後續轉導的局部增益影響。
21. 方向不對稱
一般而言：
T i j ≠ T j i − 1 . T_{ij}
\neq
T_{ji}^{-1}. T ij = T j i − 1 . 即使兩個方向都可以學出有效轉換，其誤差也不必相同。
定義某一保真指標下：
ε i j , ε j i . \varepsilon_{ij},
\qquad
\varepsilon_{ji}. ε ij , ε j i . 方向不對稱量可寫為：
A i j = ∣ ε i j − ε j i ∣ . \boxed{
\mathfrak A_{ij}
=
\left|
\varepsilon_{ij}
-
\varepsilon_{ji}
\right|.
} A ij = ∣ ε ij − ε j i ∣ . 2025 年 LLM vector translation 的初步研究已觀察到雙向轉移能力具有明顯不對稱，這提供一個工程雛型：跨模型表示橋不能自然被假設為對稱通道。
在 GPC-CS 中，方向不對稱意味著：
safe/faithful i → j \text{safe/faithful } i\rightarrow j safe/faithful i → j 不能直接推出：
safe/faithful j → i . \text{safe/faithful } j\rightarrow i. safe/faithful j → i . 22. 校準域與域外錯配
任何轉導器通常只在有限資料或有限狀態區域上被建立與驗證。
設校準域：
C ⊆ Z i . \mathcal C
\subseteq
\mathcal Z_i. C ⊆ Z i . 定義校準錯配：
ε c a l = sup z ∈ C δ Q ( z ) . \varepsilon_{\mathrm{cal}}
=
\sup_{z\in\mathcal C}
\delta_{\mathscr Q}(z). ε cal = z ∈ C sup δ Q ( z ) . 若完整研究域為：
Ω ⊇ C , \Omega
\supseteq
\mathcal C, Ω ⊇ C , 定義：
ε g l o b a l = sup z ∈ Ω δ Q ( z ) . \varepsilon_{\mathrm{global}}
=
\sup_{z\in\Omega}
\delta_{\mathscr Q}(z). ε global = z ∈ Ω sup δ Q ( z ) . 則一般化缺口：
G = ε g l o b a l − ε c a l ≥ 0. \boxed{
\mathfrak G
=
\varepsilon_{\mathrm{global}}
-
\varepsilon_{\mathrm{cal}}
\ge
0.
} G = ε global − ε cal ≥ 0. 小的：
ε c a l \varepsilon_{\mathrm{cal}} ε cal 不推出小的：
ε g l o b a l . \varepsilon_{\mathrm{global}}. ε global . 這是跨載體轉導不能只以 calibration set 成功宣告「已對齊」的形式理由。
23. 表示同構、任務同構與安全同構
本文現在可以區分三種非常容易被混淆的「同構」。
23.1 表示同構
存在雙射：
T : Z i → Z j T:
\mathcal Z_i
\rightarrow
\mathcal Z_j T : Z i → Z j 並保留指定幾何或代數結構。
23.2 任務同構
對一族任務：
Q , \mathscr Q, Q , 有：
q j ( ℓ ) ∘ T = q i ( ℓ ) q_j^{(\ell)}
\circ
T
=
q_i^{(\ell)} q j ( ℓ ) ∘ T = q i ( ℓ ) 對所有 ℓ \ell ℓ
23.3 安全同構
除了任務保真，還要求：
Φ i j ( S i j ⋆ ) ⊆ S j \Phi_{ij}
(
\mathcal S_{ij}^\star
)
\subseteq
\mathcal S_j Φ ij ( S ij ⋆ ) ⊆ S j 以及必要的關係安全條件保持。
三者之間沒有一般等價關係。
因此：
representation isomorphism ≠ task equivalence ≠ safety equivalence . \boxed{
\text{representation isomorphism}
\neq
\text{task equivalence}
\neq
\text{safety equivalence}.
} representation isomorphism = task equivalence = safety equivalence . 24. 轉導充分性是一個 quotient 問題
若研究只關心：
Q , \mathscr Q, Q , 那麼來源表示真正需要保留的不是每一個微觀狀態。
而是 quotient：
Z i / ∼ Q . \mathcal Z_i
/
\sim_{\mathscr Q}. Z i / ∼ Q . 因此「最小充分轉導」的理論目標可以寫成：
尋找：
T : Z i → U j T:
\mathcal Z_i
\rightarrow
\mathcal U_j T : Z i → U j 使：
z 1 ∼ Q z 2 z_1
\sim_{\mathscr Q}
z_2 z 1 ∼ Q z 2 允許被壓縮到相同表示，而：
z 1 ̸ ∼ Q z 2 z_1
\not\sim_{\mathscr Q}
z_2 z 1 ∼ Q z 2 仍保持可區分。
理想情況下：
T T T 在 quotient classes 上為單射：
[ z 1 ] Q ≠ [ z 2 ] Q ⇒ T ( z 1 ) ≠ T ( z 2 ) . \boxed{
[z_1]_{\mathscr Q}
\neq
[z_2]_{\mathscr Q}
\Rightarrow
T(z_1)
\neq
T(z_2).
} [ z 1 ] Q = [ z 2 ] Q ⇒ T ( z 1 ) = T ( z 2 ) . 這比要求 T T T Z i \mathcal Z_i Z i
25. 與 Rate–Distortion 的關係
Shannon 的 rate–distortion theory 已經指出：
有損通信不能脫離 distortion criterion 談「最優」。
GPC-CS 接受同樣的基本教訓，但把 distortion 從單一輸出重建擴張為多層向量：
Δ i j = ( δ g e o m , δ d e c , δ f u n c , δ i n f o , δ s a f e ) . \Delta_{ij}
=
(
\delta_{\mathrm{geom}},
\delta_{\mathrm{dec}},
\delta_{\mathrm{func}},
\delta_{\mathrm{info}},
\delta_{\mathrm{safe}}
). Δ ij = ( δ geom , δ dec , δ func , δ info , δ safe ) . 因此未來如果要建立「GPC rate–distortion」類理論，真正的問題可能不是：
R ( D ) , R(D), R ( D ) , 而是某種多約束形式：
R ( D g e o m , D d e c , D f u n c , D i n f o , D s a f e ) . R
(
D_{\mathrm{geom}},
D_{\mathrm{dec}},
D_{\mathrm{func}},
D_{\mathrm{info}},
D_{\mathrm{safe}}
). R ( D geom , D dec , D func , D info , D safe ) . 本文暫不發展此資訊論。
它將與 Paper 03 的容量向量共同形成後續可能的延伸系列。
26. 本文的六個主命題
命題 A：非單射不是核心危險
T 非單射 T
\text{ 非單射} T 非單射 不等於：
T 對指定語義有損 . T
\text{ 對指定語義有損}. T 對指定語義有損 . 真正判準是：
T 的 fiber 是否跨越 Q 等價類 . T
\text{ 的 fiber 是否跨越 }
\mathscr Q
\text{ 等價類}. T 的 fiber 是否跨越 Q 等價類 . 命題 B：跨語義類別名化造成不可由訊號單獨修復的損失
若：
T ( z 1 ) = T ( z 2 ) , T(z_1)=T(z_2), T ( z 1 ) = T ( z 2 ) , 且：
z 1 ̸ ∼ Q z 2 , z_1
\not\sim_{\mathscr Q}
z_2, z 1 ∼ Q z 2 , 則只看 T ( z ) T(z) T ( z )
命題 C：重建過剩必須歸因於 side information
在適當資訊論條件下：
I ( Y ; R ) − I ( Y ; U ) ≤ I ( Y ; X ∣ U ) . I(Y;R)-I(Y;U)
\le
I(Y;X\mid U). I ( Y ; R ) − I ( Y ; U ) ≤ I ( Y ; X ∣ U ) . 因此接收端補出的可用資訊不能被全部歸因於來源傳輸。
命題 D：Cycle consistency 不足
T j i ∘ T i j = id T_{ji}\circ T_{ij}=\operatorname{id} T j i ∘ T ij = id 不推出：
q j ∘ T i j = q i . q_j\circ T_{ij}=q_i. q j ∘ T ij = q i . 可逆座標映射與語義保真是兩個命題。
命題 E：語義保真與載體安全彼此獨立
一般而言：
fidelity ⇏ safety , \text{fidelity}
\not\Rightarrow
\text{safety}, fidelity ⇒ safety , 以及：
safety ⇏ fidelity . \text{safety}
\not\Rightarrow
\text{fidelity}. safety ⇒ fidelity . 命題 F：狀態依賴重建可以放大跨載體錯配
在 Lipschitz 條件下：
d t + 1 ≤ η d t + β e t . d_{t+1}
\le
\eta d_t
+
\beta e_t. d t + 1 ≤ η d t + β e t . 因此轉導誤差會與接收端既有狀態差共同進入後續動力學。
27. 可證偽性
本文的框架可以被以下結果削弱。
27.1 單一相似度已足夠
若未來跨模型、跨模態與跨生物—計算載體實驗長期顯示，某一個表示相似度量可以可靠預測：
可解碼資訊；
功能相容性；
資訊保留；
安全結果；
且不存在系統性反例，那麼本文的多層錯配分解可大幅簡化。
27.2 Side information 幾乎不影響重建
若：
D ( u , x 1 ) ≈ D ( u , x 2 ) D(u,x_1)
\approx
D(u,x_2) D ( u , x 1 ) ≈ D ( u , x 2 ) 對所有實際相關 x 1 , x 2 x_1,x_2 x 1 , x 2
27.3 跨載體轉導近似對稱
若大量不同載體之間都存在：
T j i ≈ T i j − 1 T_{ji}
\approx
T_{ij}^{-1} T j i ≈ T ij − 1 且兩個方向錯配近乎相同，則本文對方向不對稱的強調需要收縮。
27.4 安全結果幾乎完全由語義保真決定
若未來實驗證明：
δ Q → 0 \delta_{\mathscr Q}
\rightarrow0 δ Q → 0 幾乎必然伴隨：
δ s a f e → 0 , \delta_{\mathrm{safe}}
\rightarrow0, δ safe → 0 , 且沒有獨立載體動力學效應，那麼 fidelity 與 safety 的分離在該類系統中可以弱化。
28. 與 Paper 01 的接合
Paper 01 建立：
S G ⋆ = ( ∏ i S i ) ∩ C G , \mathcal S_G^\star
=
\left(
\prod_i
\mathcal S_i
\right)
\cap
\mathcal C_G, S G ⋆ = ( i ∏ S i ) ∩ C G , 以及：
Γ G ( S G ⋆ ) ⊆ S G ⋆ . \Gamma_G
(
\mathcal S_G^\star
)
\subseteq
\mathcal S_G^\star. Γ G ( S G ⋆ ) ⊆ S G ⋆ . Paper 02 則回答：
進入 Γ G \Gamma_G Γ G
本文把單條邊 ( i , j ) (i,j) ( i , j )
x i → E i z i → T i j u j → D j ( ⋅ , x j ) r j → F j x j + . x_i
\xrightarrow{E_i}
z_i
\xrightarrow{T_{ij}}
u_j
\xrightarrow{D_j(\cdot,x_j)}
r_j
\xrightarrow{F_j}
x_j^+. x i E i z i T ij u j D j ( ⋅ , x j ) r j F j x j + . 並定義：
K i j ( ε ) = { ( z i , x j ) : δ Q i j ( z i , x j ) ≤ ε ∧ x j + ∈ S j } . \mathcal K_{ij}(\varepsilon)
=
\left\{
(z_i,x_j):
\delta_{\mathscr Q}^{ij}(z_i,x_j)
\le
\varepsilon
\land
x_j^+\in\mathcal S_j
\right\}. K ij ( ε ) = { ( z i , x j ) : δ Q ij ( z i , x j ) ≤ ε ∧ x j + ∈ S j } . 因此 Paper 01 研究狀態域如何保持 。
Paper 02 研究什麼樣的跨載體映射把系統送進那些狀態 。
29. 結論
跨載體交流真正困難的地方，不是「不同格式需要一個 converter」。
而是不同載體可能具有不同：
表示幾何；
可解碼變量；
下游功能；
side information；
狀態更新規則；
安全邊界。
因此：
Transduction ≠ mere format conversion . \boxed{
\text{Transduction}
\neq
\text{mere format conversion}.
} Transduction = mere format conversion . 本文建立的第一個核心結果是：
q = g ∘ T ⟺ q 在 T 的 fibers 上為常數 . \boxed{
q=g\circ T
\iff
q
\text{ 在 }T\text{ 的 fibers 上為常數}.
} q = g ∘ T ⟺ q 在 T 的 fibers 上為常數 . 這把跨載體保真問題從「是否一對一」改寫為：
是否保留了目前真正需要區分的 quotient classes？
第二個核心結果是：
I ( Y ; R ) − I ( Y ; U ) ≤ I ( Y ; X ∣ U ) , \boxed{
I(Y;R)-I(Y;U)
\le
I(Y;X\mid U),
} I ( Y ; R ) − I ( Y ; U ) ≤ I ( Y ; X ∣ U ) , 它把接收端重建過剩限制在 side information 可解釋的範圍內。
第三個核心結果是：
d t + 1 ≤ η d t + β e t , \boxed{
d_{t+1}
\le
\eta d_t
+
\beta e_t,
} d t + 1 ≤ η d t + β e t , 表示跨載體錯配會與載體既有狀態共同進入後續動力學。
因此，跨載體交流不能只問：
Did the translation work? \text{Did the translation work?} Did the translation work? 而必須至少問五次：
Geometry? \text{Geometry?} Geometry? Decodability? \text{Decodability?} Decodability? Function? \text{Function?} Function? Information? \text{Information?} Information? Safety? \text{Safety?} Safety? 這五問共同構成：
Δ i j = ( δ g e o m , δ d e c , δ f u n c , δ i n f o , δ s a f e ) . \boxed{
\Delta_{ij}
=
(
\delta_{\mathrm{geom}},
\delta_{\mathrm{dec}},
\delta_{\mathrm{func}},
\delta_{\mathrm{info}},
\delta_{\mathrm{safe}}
).
} Δ ij = ( δ geom , δ dec , δ func , δ info , δ safe ) . 下一篇 Paper 03 將在此基礎上加入載體容量向量、同步維度、記憶、時間尺度與更新速率，正式研究：
κ i n ⪯̸ κ j \kappa_{\mathrm{in}}
\not\preceq
\kappa_j κ in ⪯ κ j 何時只是有損壓縮問題，何時會變成載體狀態安全問題。
參考文獻
Shannon, C. E. (1959). Coding Theorems for a Discrete Source With a Fidelity Criterion . IRE International Convention Record, 7(4), 142–163.
Kornblith, S., Norouzi, M., Lee, H., & Hinton, G. (2019). Similarity of Neural Network Representations Revisited. Proceedings of ICML 2019 , PMLR 97, 3519–3529.
Tian, Y., & Engel, J. (2019). Latent Translation: Crossing Modalities by Bridging Generative Models. arXiv:1902.08261.
Xie, H., Qin, Z., Li, G. Y., & Juang, B.-H. (2021). Deep Learning Enabled Semantic Communication Systems. IEEE Transactions on Signal Processing , 69, 2663–2675. Preprint: arXiv:2006.10685.
Bansal, Y., Nakkiran, P., & Barak, B. (2021). Revisiting Model Stitching to Compare Neural Representations. Advances in Neural Information Processing Systems 34 .
Csiszárik, A., Kőrösi-Szabó, P., Matszangosz, Á. K., Papp, G., & Varga, D. (2021). Similarity and Matching of Neural Network Representations. NeurIPS 2021 .
Harvey, S. E., Larsen, B. W., & Williams, A. H. (2024). Duality of Bures and Shape Distances with Implications for Comparing Neural Representations. PMLR 243 , 11–26.
Williams, A. H. (2024). Equivalence between Representational Similarity Analysis, Centered Kernel Alignment, and Canonical Correlations Analysis. PMLR 285 , 10–23.
Harvey, S. E., Lipshutz, D., & Williams, A. H. (2024). What Representational Similarity Measures Imply about Decodable Information. PMLR 285 , 140–151.
Insulla, F., Huang, S., & Rosasco, L. (2025). Towards a Learning Theory of Representation Alignment. ICLR 2025 .
Smith, D., Mannering, H., & Marcu, A. (2025). Functional Alignment Can Mislead: Examining Model Stitching. Proceedings of ICML 2025 , PMLR 267, 55972–55998.
Braun, L., Grant, E., & Saxe, A. M. (2025). Not All Solutions Are Created Equal: An Analytical Dissociation of Functional and Representational Similarity in Deep Linear Neural Networks. Proceedings of ICML 2025 , PMLR 267, 5355–5382.
Yang, F.-C., & Eshraghian, J. (2025). Direct Semantic Communication Between Large Language Models via Vector Translation. arXiv:2511.03945.
Athanasiadis, I., Karmush, A., & Felsberg, M. (2026). Grounding Functional Similarity by Invariance-Aware Model Stitching. ICML 2026 .
系列狀態
Series: Generalized Phase Communication and Carrier SafetyPaper: 02Version: v1.0Canonical source encoding: UTF-8Canonical mathematics delimiters: $...$ and $$...$$ onlyOperational attack details: ExcludedGovernance/deployment prescriptions: Out of scopeDepends on: Paper 00, Paper 01Next: Paper 03 — 容量向量、維度錯配與更新速率